ChatGPT Enterprise は、プロンプトに含まれる PDF ファイルに埋め込まれたビジュアル（画像、グラフ、図など）の読み取りと理解に対応しました。ユーザーは PDF をアップロードでき、ChatGPT はそのファイル内のテキストとあらゆる視覚要素を解釈できます。
詳細については、PDF での Visual Retrieval に関する FAQ。をご覧ください
ChatGPT Enterprise では、次の方法でファイルをアップロードできます：
パソコンから直接
GPT ナレッジとして
プロジェクトファイルとして
このガイドでは、ChatGPT Enterprise の各機能がファイルの種類、数、サイズに応じてどのように処理するかを説明し、ファイルに関する要件に基づいて出力を改善する方法を紹介します。
概要
ChatGPT Enterprise は、ファイルの種類に応じて処理方法を大きく変えます。PDF、プレゼンテーション、Word ファイルなどの文書からはテキストを抽出し、スプレッドシートの構造化データは Python コードで分析し、画像ファイルは GPT-Vision で説明します。期待どおりの結果を得るには、ファイルの種類ごとにどのワークフローが実行されるかを理解することが重要です。
テキストベースの文書では、ChatGPT Enterprise は関連性の高いテキストを可能な限りプロンプトに直接含め、追加情報には検索システムを使ってアクセスします。この方法は、具体的な質問への回答に適しています。ただし、非常に大きな文書の要約や、複数の大きなファイルの比較といった複雑なタスクには対応しにくい場合があります。結果を改善する方法について、以下で詳しく説明します。
種類別のファイル処理
ChatGPT Enterprise は、主にテキスト抽出、コード分析、画像解釈の 3 つの方法でファイルを処理します。ChatGPT Enterprise が使用するワークフローは、ファイルの種類によって決まります。
| テキストベースの検索 | Code Interpreter | 画像処理 | 視覚情報検索 | |
|---|---|---|---|---|
| ファイル形式の例 | pptx、docx、txt、md、json、xml、pdf* * GPT ナレッジ または プロジェクトファイル としてアップロードされた PDF | csv、xls、xlsx* *注：Code Interpreter はどのファイル形式も処理できますが、ChatGPT Enterprise は通常、スプレッドシートでは CI をデフォルトで使用します | jpg、png | pdf* * ユーザーのプロンプトに含まれる PDF |
| 動作 | ファイルからテキストを抽出し、一部をコンテキストウィンドウに直接「詰め込み」、残りを検索用に保存します | Code Interpreter がファイルを Python に渡して処理します | 画像は、 既知の制限 の範囲内で、マルチモーダルモデルによってネイティブに解釈されます。 | テキスト検索と画像処理を組み合わせた方式です。テキストはデジタル抽出され、視覚的な内容はマルチモーダルモデルによってネイティブに解釈されます。 |
テキストのみのファイル、画像ファイル、明確に構造化されたデータファイル（取引情報をまとめた Excel の表など）では、この分類に従うことで最適な処理が行われます。
一方、次のように判断が難しいケースもあります：
PDF 以外のファイルに埋め込まれた画像は処理されません。画像も処理対象にするには、アップロード前にファイルを PDF に変換してください。
ChatGPT Enterprise は、文書に大量のテキストが含まれていても、スプレッドシートの操作には常に Code Interpreter を使用します。たとえば、ChatGPT Enterprise に 10 行のテキストを含む CSV ファイルの翻訳を依頼すると、Python ライブラリを使って翻訳しようとします。そのため、モデルが直接翻訳を生成する場合よりも精度が低くなります。この問題を軽減するには、スプレッドシートを PDF などのテキストベースの形式にエクスポートしてみてください。
同様に、構造化された取引データの表を含む JSON ファイルをアップロードすると、ChatGPT Enterprise はそのファイルをプレーンテキストとして解釈します。JSON ファイルに含まれるデータを分析する場合は、プロンプトでモデルに Code Interpreter を使用するよう指示してください。
サイズに基づくファイル処理
ChatGPT Enterprise は、最大 128k トークン（テキスト約 200 ページ）のコンテキストウィンドウを持つモデルを使用します。ただし、すべてのトークンがアップロードされたファイルのテキストを取り込むために使われるわけではありません。「詰め込まれる」トークン数は、用途によって異なります。
ChatGPT Enterprise は一定量のテキストを「詰め込み」、残りのテキストをプライベート検索インデックス（大量のテキストを効率的に保存・取得するために設計されたデータベースの一種である「ベクターストア」）に送信します。質問すると、ChatGPT Enterprise は含まれているテキストに加え、プライベート検索インデックスから取得した関連チャンクを取り込みます。
単一のドキュメントをアップロードした場合、ChatGPT Enterprise は上限に達するまで先頭からテキストを含めます。複数のドキュメントをアップロードした場合、ChatGPT Enterprise は各ドキュメントの一部または全部を含めます。ドキュメント内のすべてのテキストもプライベート検索インデックスに送信されます。
テキストドキュメントのコンテキスト詰め込み
この機能は現在活発に開発中です。そのため、以下の詳細は予告なく変更される場合があります。
ChatGPT Enterprise は、アップロードされたドキュメントからコンテキストウィンドウ内で最大 110k トークンを処理できます。合計が 110k トークン未満の 1 つ以上のドキュメントをアップロードした場合、全内容が含まれます。
110k トークンを超える単一のドキュメントでは、先頭から最初の 110k トークンのみが含まれます。残りはプライベート検索インデックスにのみ送信されます。
複数のドキュメントがアップロードされ、その合計が 110k トークンを超える場合、ChatGPT Enterprise はドキュメントの表現を均衡させるために 2 段階のプロセスを使用します。
最大 55k トークンを抽出し、アップロードされたドキュメント間で均等に分割します。
最初のステップで完全に表現されていないドキュメントについては、各ドキュメントに残っているトークン数に基づいて、残りの 55k トークンを比例配分します。
残ったトークンはすべて、プライベート検索インデックスにのみ送信されます。
テキストドキュメント内のトークン数は、ドキュメントのテキストを OpenAI Tokenizer にコピーすることで見積もれます。
マルチメディア PDF のコンテキスト詰め込み
ユーザーがテキストと画像の両方を含む PDF をアップロードすると、Visual Retrieval により、ChatGPT はデジタル抽出されたテキストとともに、これらの画像をネイティブに処理できます。以下の手順は、マルチメディア PDF に対する標準のコンテキスト処理手順を補完します。
画像の抽出と埋め込み: 画像は、関連するデジタルテキストとともに抽出され、埋め込まれます。
インテリジェントなスケーリング: 画像は、情報品質と利用可能なコンテキストウィンドウの効率的な使用のバランスを保つように自動的にスケーリングされます。
アップロードされた PDF が 110k トークンの上限を超える場合、画像とテキストの両方がプライベート検索インデックスに埋め込まれます。テキスト埋め込みは関連画像を参照するため、ChatGPT はユーザーのクエリに基づいて適切なテキストと画像のペアを取得できます。取得された画像は、ChatGPT のネイティブなマルチモーダル機能を使用して処理されます。
マルチメディア PDF のトークン要件を正確に見積もることは困難です。テストによると、テキストと画像が混在する約 350 ページで、110k トークンのコンテキストウィンドウを完全に使用します。
モデルタイプに基づく検索戦略
GPT シリーズモデルと o シリーズモデルはどちらもファイルアップロードに対応し、同一のコンテキスト詰め込みと検索埋め込みロジックを利用します。すべてのモデルは、キーワード方式とセマンティック方式を組み合わせて、プライベート検索インデックスに対してハイブリッド検索を実行します。ハイブリッド検索では、モデルがユーザーのプロンプトに基づいて検索フレーズを生成し、プライベート検索インデックスがそれに応じて関連するテキストと画像を取得します。
ただし、これらのモデルは、コンテキストウィンドウを超える大きなドキュメントを検索する方法が異なります。
GPT シリーズモデル
プロンプトごとに 1 回検索：GPT シリーズモデルは、ユーザーのプロンプトごとに 1 回検索します。
適した用途：膨大なドキュメント内に答えがある、単純な質問への回答に最適です。
クエリ例：
「早期退職に関する人事制度はどのようなものですか？」
「process_order 関数は何をするものですか？」
o シリーズモデル
プロンプトごとに複数回検索：ユーザーのプロンプトごとに、それぞれ異なる検索フレーズを使って複数回（通常 2～3 回）検索できます。検索は順番に実行され、モデルはそれまでの検索で得た情報に基づいてアプローチを調整できます。
適した用途：膨大なドキュメントを対象に複数の検索を絞り込んで行う必要がある、複雑な質問に適しています。
クエリ例：
「早期退職、育児休業、海外転勤に関する人事制度はどのようなものですか？」
「process_order 関数の処理内容を説明し、この関数が呼び出すすべてのメソッドを列挙して、それぞれを簡潔に説明してください」
o シリーズモデルにはこうした強みがありますが、4 回以上の検索が必要なクエリには対応しにくい場合があります。
ファイル検索結果を改善するためのヒント
複数回の検索が必要な複雑な質問には、o シリーズモデルの使用を試してください。
回答は、アップロードするドキュメントの種類、数、サイズによって異なる場合があることに注意してください。
一般に、数を絞った焦点の明確なドキュメントを読み込むほど、精度が高くなります。
複数の質問を含むトピックを単一の質問にする:
すべての州の人事ポリシーを知る必要がある場合は、1 つずつ質問してください。
多数のドキュメントを要約する必要がある場合は、1 回に 1 つのドキュメントを依頼してください。そのドキュメントが数百ページに及ぶ場合は、より小さな構成要素に分割することを検討してください。
ドキュメント全体ではなく複数の要約を与えた場合、ChatGPT Enterprise に「要約の要約」を作成するよう依頼できます。
RFP の CSV（各行が別の質問）を持っている場合は、CSV を読み込んで単一の回答を求めるのではなく、それらの質問を 1 つずつ尋ねてください。
モデルの回答を監査する方法を見つけてください。GPT 指示の例は以下です:
# コンテキスト
あなたはドキュメント理解の専門家です。ユーザーはドキュメントを添付し、質問します。ユーザーは、あなたの回答を、その回答を取得したテキスト内の正確な箇所に結び付けられる必要があります。
# 指示
1. 添付ドキュメントに基づき、以下に示す正確な形式でユーザーの質問に回答してください
# 形式
- 質問: { repeat user's question }
- 回答: { provide an answer to user's question }
出典:
- - セクション番号: { provide section number where you pulled in the answer }
- - セクションタイトル: { provide section title where you pulled in the answer }
- - 正確なテキスト: { provide the exact text where you pulled the answer from }
# ルール
- 明確かつ簡潔に回答する
- ドキュメントで提供されている情報のみを提示する
- ドキュメント内に回答が見つからない場合は、単に「情報が見つかりませんでした。」と返信する